科研之友
微信
新浪微博
Facebook
分享链接
摘要
作为可再生能源的主要来源,风能的需求显著增长,进而推动了全球电力系统从化石燃料到可再生能源的结构转型。由于其成本竞争力及其在减少温室气体排放方面的优势,风能已成为当代电力系统的关键供应组成部分。但风能的间歇性、非线性、剧烈波动,给预测、规划和有效地将其供应集成到区域电力系统中,从而满足电力需求变化带来了各种挑战。同时,风力资源评估也是有效建设风力涡轮机和风力发电场的重要前提,准确的功率预测模型可以最大限度地提高供电系统的能源提取能力、降低电力生产成本。本文在风电系统单站点、多站点和系统设备输出功率数据特征分析方面作了深入挖掘,针对风电功率信号的高低频信号分解和周期特征提取方面,发展出了两种结合深度学习和注意力机制的单站点风电功率预测方法,并结合风电场多站点时空特征相关性,研究了多站点风电时空预测方法。进一步的,针对风电系统设备的同质规律研究了风电系统设备输出功率的自适应回归预测方法。主要研究成果和工作如下:针对单一网络模型难以高效地捕捉高频和低频两种信号变化趋势的问题,研究了风电功率高低频信号规律,提出了基于信号分解和高低频划分的集成模型。先基于变分模态分解方法,对原始的多维特征数据进行模态分解,并依据平均波动幅度将其划分为高频和低频分量,并分别采用编解码注意力机制网络和深度置信网络进行预测,最后将得到的预测结果进行整合,以充分提取原始信号的多维度时域和频域特征,从而提高预测模型性能。对于风电功率时序数据中隐含周期性和数据量较大的特点,研究了风电功率的短期和长期重复模式的周期规律,提出了基于周期特征提取和多层注意力网络的双通道集成预测模型,该模型结合季节趋势分解算法和最优周期步长搜索算法,提取原始信号的隐含周期特征,将其划分为时序分量和周期分量,并分别采用时序注意力网络和编解码注意力机制网络进行预测。最后,通过线性回归注意力模型对两个分量的预测结果进行拟合。该模型可以同时处理原始数据的长期和短期依赖关系,并且保证模型训练快速收敛,从而提高模型的预测精度和稳定性。为了将风电场多站点时序特征和空间特征结合,本文进一步研究了风电场多站点时空相关性规律,设计了两种时空组合预测模型。首先结合风电场多站点多维特征的时序相关性,采用卷积神经网络来扩大数据感受视野,以获得更有效的特征提取能力,并结合长短时记忆网络对设计了多站点时序卷积预测模型。进一步的,利用风电场多站点的空间和时序特征相关性构造邻接矩阵,并结合各个站点的时序特征矩阵,采用集成图卷积和门控递归单元的组合模型进行数据预测。进一步设计了多头图注意力机制,通过自适应学习邻居节点的权重来实现相邻站点之间的特征聚合,据此设计了多站点时空图注意力卷积预测模型。实验部分,则通过两个风电场多站点风电数据集,采用递进方式对以上所提四个集成模型和基础模型进行了分析验证,通过模型预测误差指标、稳定性、收敛速度、算法效率等方面的实验对比,以说明所提模型算法的有效性。针对风电系统设备存在的数据特征庞杂,特征类型各异,数据集差异性较大的问题,分析了风电系统设备的同质性规律,提出了风电系统功率自适应集成回归模型。采用高斯混合聚类算法,将数据特征相似的同类型设备聚合在一起形成设备子集,并设计了自适应损失函数来确定不同设备子集的回归决策模型的最优控制参数,进而实现了风电系统设备功率的自适应回归预测模型。通过风电设备数据集的实验对比分析说明,所提模型能根据不同数据集的特征进行参数自适应调整,在预测精度、稳定性、收敛速度等方面均为最优。
- 单位
